SSD Nodes Learn Hosting plans →
Guias Matt ConnorPor Matt Connor · Atualizado 2026-10-26

Rodar Meta Muse Glimmer 30B numa VPS Linux

Saiba quanta RAM e disco uma VPS precisa para as tags Linux de 18 GB a 59 GB do Muse Glimmer e qual é o custo real da inferência só com CPU.

O que o Muse Glimmer exige numa VPS

O Muse Glimmer funciona numa VPS Linux comum, sem GPU, e a tag que descarregar determina se cabe na memória. A Meta Superintelligence Labs publicou o modelo em 10 August 2026 sob a licença Apache 2.0: 30 billion parameters, uma janela de contexto de 128K e um encoder de perceção dedicado com 1.8B parameters, para poder interpretar imagens juntamente com texto. A Meta posiciona-o como um agente local sempre ativo, e não como um chatbot, com um nível de raciocínio definido por pedido.

As tags publicadas do Ollama que funcionam em Linux, consultadas em 25 October 2026, ocupam entre 18 GB e 59 GB. Esse intervalo determina todo o dimensionamento. A lista completa de tags começa num valor inferior e termina num valor superior, em 17 GB e 65 GB, mas esses dois extremos são tags MLX criadas para Apple Silicon e, por isso, não contam num servidor Linux. A tag predefinida está listada com cerca de 18 GB, portanto a máquina mais pequena aceitável deve ter claramente mais de 18 GB de RAM livre. O espaço em disco para a transferência e a memória para a janela de contexto são adicionais.

Que tag muse-glimmer deve transferir?

GráficoPublished muse-glimmer tag sizes on 25 October 2026 (Linux tags only)
Os dados por trás deste gráfico
[
  {
    "label": "30b (default)",
    "size_gb": 18
  },
  {
    "label": "30b-q4_K_M",
    "size_gb": 18
  },
  {
    "label": "30b-q4_K_M-dflash",
    "size_gb": 20
  },
  {
    "label": "30b-q8_0",
    "size_gb": 31
  },
  {
    "label": "30b-q8_0-dflash",
    "size_gb": 33
  },
  {
    "label": "30b-bf16",
    "size_gb": 57
  },
  {
    "label": "30b-bf16-dflash",
    "size_gb": 59
  }
]

Ollama listou 7 tags para este modelo sem o rótulo MLX, sem contar o alias latest. As tags simples contêm os mesmos pesos de 30 bilhões armazenados com diferentes precisões numéricas. As tags -dflash contêm esses pesos e uma segunda rede menor, descrita abaixo. Por isso, cada uma aparece com um tamanho maior do que o da sua versão simples correspondente. O tamanho apresentado é o que será transferido. Também é aproximadamente a quantidade que terá de manter na memória antes de adicionar qualquer contexto.

A build de 4 bits é a menor: 30b-q4_K_M, com 18 GB. A tag 30b predefinida é a mesma build com outro nome, com o mesmo digest na página da tag. A build de 8 bits é 30b-q8_0, com 31 GB. 30b-bf16 é a release não quantizada de 16 bits, com 57 GB. Isso exige mais RAM do que a maioria dos servidores alugados oferece a um preço aceitável para um projeto paralelo. A tag 30b-nvfp4, com 17 GB e menor no papel, e a tag 30b-mxfp8 de 8 bits, com 33 GB, têm ambas o rótulo MLX. Por isso, ficam fora da tabela. A próxima seção explica o motivo.

As tags -dflash adicionam o DFlash da Meta, que o model card descreve como "uma pequena rede auxiliar que propõe blocos inteiros de tokens de uma só vez": 5 camadas de rascunho que preveem blocos de 16 tokens. É um recurso de aceleração baseado em descodificação especulativa. A página do modelo no Ollama apresenta o suporte a DFlash como parte do seu mecanismo MLX em Apple Silicon. Numa VPS apenas com CPU, ele consome cerca de 2 GB adicionais de memória real para um rascunhador cujo benefício no seu hardware ainda não foi medido. Por isso, comece com a tag simples e altere uma coisa de cada vez.

Comece com 4 bits, salvo se tiver um motivo específico para fazer diferente. Passar de 4 bits para 8 bits aproximadamente duplica os bytes que a CPU tem de ler para cada token gerado. Assim, o throughput diminui enquanto o uso de memória aumenta. Essa compensação é explicada em o custo real da quantização q4, q8 e fp16, e, numa máquina apenas com CPU, a resposta curta é que a build de 4 bits é a única opção adequada para começar.

Por que as tags MLX não fazem nada num servidor Linux

MLX é o framework de arrays da Apple, e o mecanismo MLX do Ollama é o backend para Apple Silicon. Quando a Ollama o anunciou, a instrução era "certifique-se de que tem um Mac com mais de 32GB de memória unificada". Todas as tags que a página de tags identifica como MLX foram criadas para esse mecanismo e para esse hardware, e a etiqueta nem sempre aparece no nome: neste modelo, ela abrange 30b-nvfp4, 30b-mxfp8 e as respetivas variantes -dflash, além de todas as tags que contêm mlx. Num VPS Linux x86, cada uma é um download de dezenas de gigabytes que não pode executar e que ficará no disco sem fazer nada. Qualquer valor de velocidade medido num Mac aplica-se a essas tags e, por isso, também não descreve o seu servidor. Ao ler a lista de tags na página do modelo, exclua primeiro todas as tags com a etiqueta MLX e só depois dimensione a partir das restantes.

De quanta RAM e espaço em disco precisa realmente?

Duas coisas ocupam memória, e apenas uma delas corresponde ao tamanho da tag. Os pesos são definidos pela tag que descarrega. A cache KV, que contém o estado por token que o modelo mantém para a conversa, aumenta com o comprimento de contexto configurado. A documentação do Ollama indica que servir pedidos em paralelo multiplica o contexto pelo número de pedidos em processamento. Por isso, um servidor que responde a dois agentes em simultâneo precisa de mais memória do que o mesmo servidor a responder a um único agente.

Não use como referência um valor de RAM indicado em qualquer guia, incluindo este. Descarregue a tag, envie-lhe um prompt e, enquanto o modelo ainda estiver residente, execute estes dois comandos.

ollama ps
free -h

ollama ps mostra o que está carregado neste momento e como o trabalho é dividido entre a CPU e a GPU. free -h mostra a memória que ainda está disponível. Estes dois resultados no seu próprio servidor são mais úteis do que qualquer tabela publicada, porque já incluem a sua configuração de contexto, a sua quantização e tudo o que o servidor está a executar.

O espaço em disco é a parte mais simples. No Linux, o Ollama armazena os modelos em /usr/share/ollama/.ollama/models, que fica no sistema de ficheiros raiz na maioria das imagens de VPS. Um volume raiz de 40GB não comporta a versão bf16 com 57 GB. Também não comporta as versões de 8 bits e 4 bits lado a lado. Se nunca verificou o que um pull grava realmente, onde o Ollama armazena os modelos e como mover esse armazenamento explica esse diretório. Mova o armazenamento para um volume montado antes de descarregar qualquer modelo.

sudo systemctl edit ollama
[Service]
Environment="OLLAMA_MODELS=/mnt/models"
sudo mkdir -p /mnt/models
sudo chown -R ollama:ollama /mnt/models
sudo systemctl daemon-reload
sudo systemctl restart ollama

O utilizador ollama deve ser o proprietário desse diretório, porque o serviço é executado como ollama e grava os blobs nesse local com esse utilizador. Se um pull falhar por falta de permissões, o motivo aparece em journalctl -u ollama -n 50.

Sobre a swap, é importante ser claro: a swap não permite executar uma tag maior. A geração acede aos pesos para cada token produzido. Por isso, os pesos que estão na swap são lidos repetidamente do disco, vmstat 1 mostra as colunas si e so ocupadas, e a saída fica mais lenta, chegando a segundos por token. Mantenha um ficheiro de swap pequeno como proteção contra o out of memory killer. Dimensione a RAM para a tag que pretende realmente utilizar.

Instalar o Ollama e fixar uma tag nominal

curl -fsSL https://ollama.com/install.sh | sh
ollama --version
systemctl status ollama

O script de instalação configura um serviço systemd, por isso o servidor volta a iniciar depois de um reboot. Se preferir não executar o Ollama como um serviço de sistema gerido pelo root, executar o Ollama sem root com Podman descreve esse procedimento. Em seguida, faça pull de uma tag explícita.

ollama pull muse-glimmer:30b
ollama list

Leia a coluna de tamanho em ollama list e compare-a com a lista atual de tags na página do modelo. As tags publicadas são adicionadas, renomeadas e removidas, e o tamanho indicado num guia é apenas um retrato de um dia.

Nunca escreva ollama pull muse-glimmer num servidor do qual dependa. Um nome de modelo sem tag resolve para a tag latest, e latest é um ponteiro que o publicador pode mover para uma build diferente. Um pull de rotina substitui então o modelo usado pelo seu agente, com necessidades de memória e comportamento diferentes, sem que nada nos logs anuncie essa alteração. Escreva a tag nos seus scripts, nos ficheiros de unidade e na configuração do agente. Alojar um LLM no próprio servidor com Ollama numa VPS descreve o restante da configuração do servidor.

É possível executar o Muse Glimmer sem uma GPU?

Sim, mas é importante deixar claro o limite. Gerar um token significa ler os pesos do modelo a partir da memória. Por isso, a velocidade depende mais da largura de banda da memória do que do número de vCPUs anunciado pelo plano. Depois de alguns cores, adicionar mais cores traz poucos benefícios. Num VPS partilhado, essa largura de banda é partilhada com todos os outros tenants no host. Por isso, um modelo 30B a 4-bit produz um número reduzido de tokens por segundo.

Não aceite o número de outra pessoa para isso, incluindo o meu. Meça os tokens por segundo no seu próprio servidor e decida com base no resultado.

Isto cria uma diferença clara no tipo de tarefas para as quais o modelo é adequado. O chat interativo é penoso, porque lê mais depressa do que o servidor escreve e cada resposta começa com uma espera longa. O trabalho de agentes em background funciona bem, porque uma tarefa executada sem supervisão durante dez minutos não é afetada pela lentidão. Essa segunda carga de trabalho corresponde exatamente ao uso que a Meta descreve para este modelo.

Se precisa de velocidade interativa, há duas respostas honestas: uma GPU ou uma API alojada. Calcule o ponto de equilíbrio entre um VPS com GPU e os tokens da API antes de alugar qualquer recurso, e o que um VPS com GPU oferece realmente explica o que está a comprar. Para a questão mais ampla sobre o que um determinado servidor consegue suportar, comece por quais modelos pode alojar localmente, e executar um modelo Qwen de tamanho semelhante num VPS é a comparação mais próxima nesta classe de tamanho. Se os valores medidos forem demasiado lentos para serem aceitáveis, Nemotron 3.5 Lightning num VPS coloca as mesmas questões sobre RAM e tokens por segundo para um modelo criado para dar prioridade à velocidade em vez do tamanho.

Por que ele esquece informações muito antes dos 128K tokens?

Num servidor sem GPU, o tamanho padrão da janela de contexto do Ollama é 4096 tokens, independentemente do que o modelo suporta. A FAQ do Ollama indica esse valor padrão de 4096. A documentação sobre o tamanho do contexto, consultada em 25 October 2026, ajusta o valor padrão de acordo com a memória da GPU: 4k para menos de 24 GiB de VRAM, 32k entre 24 e 48 GiB e 256k para 48 GiB ou mais. Uma VPS apenas com CPU fica no nível inferior. A tag anuncia 128K, mas o servidor fornece 4096 tokens ao modelo até que essa definição seja alterada. Por isso, uma transcrição longa de um agente perde as primeiras mensagens e o modelo parece ter amnésia.

Aumente esse valor no servidor para todos os pedidos:

[Service]
Environment="OLLAMA_CONTEXT_LENGTH=32768"

Numa sessão interativa, /set parameter num_ctx 32768 altera o valor apenas para essa sessão. Pela API, envie num_ctx nas opções do pedido.

Cada token adicional de contexto consome memória além da ocupada pelos pesos. Se pedir os 128K completos num servidor dimensionado apenas para os pesos, o carregamento pode falhar ou recorrer a uma configuração mais lenta. Aumente o valor gradualmente e execute ollama ps depois de cada aumento. Como funcionam num_ctx e o tamanho do contexto no Ollama explica os cálculos.

Intensidade do raciocínio: low, medium, high e xhigh

A Meta documenta quatro intensidades de raciocínio para o Muse Glimmer, de low a xhigh, e recomenda as duas mais altas para tarefas complexas de programação e de agentes. No Ollama, isto é controlado pelo parâmetro think. Use --think= na linha de comandos ou envie think no corpo da API.

ollama run muse-glimmer:30b --think=high "Summarise the changes in /tmp/patch.diff"

Numa sessão interativa, /set think e /set nothink ativam ou desativam esta função. A documentação do Ollama sobre raciocínio, consultada em 25 October 2026, indica o uso de /api/show para descobrir os valores suportados por um modelo. Um modelo com metadados de raciocínio lista esses valores em thinking.values: podem ser booleanos, para um controlo de ativação e desativação, ou nomes definidos pelo modelo, para diferentes níveis. A documentação indica que deve usar o valor exato listado nesse campo. Nem todos os modelos publicam essa lista. Se thinking estiver ausente da resposta, o modelo não tem metadados de raciocínio. A mesma página informa que um nome não suportado volta ao valor predefinido do modelo. Assim, um nível escrito incorretamente não gera um erro; é aplicado silenciosamente o valor predefinido. A ajuda da linha de comandos menciona apenas true, false, high, medium e low, e envia qualquer outra string para o servidor sem validação. Por isso, leia o que /api/show indica para muse-glimmer:30b em vez de adivinhar e teste um valor manualmente antes de o integrar num agente.

Num sistema apenas com CPU, esta definição tem um efeito significativo. Uma intensidade mais alta gera mais tokens de raciocínio antes de aparecer a primeira palavra da resposta, e cada token de raciocínio consome o mesmo tempo de relógio que um token da resposta. Mantenha as tarefas de rotina na definição low. O comprimento da resposta também exige o mesmo cuidado. Use limitar a resposta com num_predict em vez de deixar uma resposta demasiado longa manter um sistema lento ocupado durante vários minutos.

Mantenha o modelo carregado para um agente sempre ativo

Por predefinição, o Ollama descarrega um modelo inativo após cinco minutos. Para um agente executado a cada dez minutos, isso significa carregar 18 GB completos a partir do disco em cada execução. Numa VPS com armazenamento ligado à rede, esse carregamento não é rápido. Em vez disso, mantenha o modelo na memória.

[Service]
Environment="OLLAMA_KEEP_ALIVE=-1"

Um valor negativo mantém o modelo residente até que algo o descarregue, e keep_alive num pedido de API substitui a predefinição do servidor apenas nessa chamada. O custo é direto: a RAM permanece ocupada enquanto nada acontece. Por isso, esta definição destina-se a um servidor dedicado ao agente. Manter um modelo Ollama carregado aborda as variações.

Aponte um agente de programação para ele

Ollama disponibiliza uma API compatível com OpenAI em http://127.0.0.1:11434/v1, por isso a maioria das ferramentas de agentes liga-se usando um URL base e qualquer chave de API não vazia. A página Muse Glimmer do Ollama também documenta um atalho de inicialização que liga um agente compatível a um modelo local com um único comando. Nesse comando, fixe também a tag.

ollama launch claude --model muse-glimmer:30b

Os agentes enviam prompts grandes. O conteúdo dos ficheiros, a saída das ferramentas e uma transcrição que cresce chegam todos como tokens de entrada. Num sistema com CPU, o processamento do prompt é a parte mais pesada, antes de a geração sequer começar. Mantenha a definição de contexto tão pequena quanto a tarefa permitir. Apontar um agente de programação para Ollama aborda o lado do cliente, executar um agente de programação numa VPS aborda o sistema onde ele é executado e controlar os custos de um agente numa VPS aborda o que acontece quando ele funciona o dia inteiro.

A entrada de imagens funciona da mesma forma. A API do Ollama recebe imagens no campo images de uma mensagem. Por isso, um cliente que aceite apenas texto nunca enviará uma imagem, por mais competente que seja o codificador de perceção.

Não abra a porta 11434

A API do Ollama não tem autenticação. Definir OLLAMA_HOST=0.0.0.0:11434 para lhe permitir aceder a partir do seu portátil coloca um executor de modelos sem autenticação na Internet pública. Qualquer pessoa que o encontre pode carregar modelos para o seu disco e ler tudo o que o seu agente lhe enviar. Mantenha-o associado a localhost e use um túnel.

ssh -N -L 11434:127.0.0.1:11434 user@your-vps

Proteção do endpoint da API do Ollama apresenta as opções adequadas, incluindo um reverse proxy que solicita credenciais.

O que falha e o que verá

A transferência para a meio. Falta de espaço em disco. Execute df -h no diretório do modelo. Uma compilação bf16 de 57 GB não cabe num volume root de 40GB. As compilações de 8-bit e 4-bit também não cabem lado a lado.

O modelo carrega e o processo termina. Falta de memória. dmesg -T regista o kernel out of memory killer a escolher um processo. journalctl -u ollama -n 100 mostra o mesmo evento no serviço. A correção é usar uma tag menor ou um num_ctx menor. Aumentar o swap não resolve.

O modelo funciona a segundos por token. Execute vmstat 1 e monitorize as colunas si e so. Atividade contínua de swap significa que os pesos não cabem na RAM. O sistema está a lê-los novamente do disco enquanto trabalha.

Uma tag que funcionava na semana passada desapareceu. As listas de tags mudam. Consulte novamente a página do modelo, fixe a versão atual e registe o nome da tag num local que voltará a consultar.

Volte a verificar os tamanhos antes de transferir

Os tamanhos da tabela foram lidos na página de tags do modelo em 25 October 2026. Uma lista de tags publicada não é uma garantia. Leia a lista atual na página do modelo. Depois, confirme o que foi realmente gravado no disco:

ollama pull muse-glimmer:30b
ollama list
sudo du -sh /usr/share/ollama/.ollama/models

Ollama armazena as camadas dos modelos como blobs partilhados. Por isso, duas tags que partilhem uma camada não ocupam o dobro do espaço em disco. Compare o valor indicado por du com o tamanho publicado. Planeie o espaço em disco com base no maior dos dois valores.

FAQ

De quanta RAM precisa o Muse Glimmer numa VPS?

Comece pelo tamanho da tag e acrescente a janela de contexto. A tag predefinida está listada com cerca de 18 GB em 25 October 2026, por isso uma máquina de 16GB não a consegue alojar e uma máquina de 24GB fica com pouco espaço para o contexto. Considere este valor um ponto de partida, não uma resposta definitiva. Faça pull da tag, carregue-a uma vez, execute ollama ps e free -h na sua própria máquina e consulte os seus próprios valores. Um contexto mais longo e pedidos paralelos também aumentam o consumo de memória, além dos pesos do modelo.

Posso executar o Muse Glimmer sem uma GPU?

Sim. O modelo carrega e responde apenas com o CPU numa VPS. A velocidade de geração é limitada pela largura de banda da memória, não pelo número de cores. Num host partilhado, essa largura de banda é partilhada, por isso espere alguns tokens por segundo com 4-bit. Isto é aceitável para trabalho de agentes em segundo plano que é executado sem supervisão, mas é lento para chat interativo. Execute ollama ps durante um pedido e consulte a coluna do processador para confirmar onde o trabalho está a ser executado.

As tags MLX servem para alguma coisa numa VPS Linux?

Não. Todas as tags que a página de tags identifica como MLX foram criadas para o motor MLX do Ollama, que é o seu backend para Apple Silicon. Isso inclui 30b-nvfp4 e 30b-mxfp8, embora os nomes não contenham mlx. Num servidor Linux x86, essas tags são um download grande que não pode executar. Use a tag simples 30b ou outra tag que não seja MLX. Ignore os benchmarks de hardware Apple associados às compilações MLX.

Porque é que o modelo se esquece das coisas muito antes dos 128K tokens?

Porque, numa máquina sem GPU, a janela de contexto predefinida do Ollama é de 4096 tokens, independentemente do contexto suportado pelo modelo. O servidor trunca as conversas longas antes de o modelo as receber. Defina OLLAMA_CONTEXT_LENGTH no servidor, use /set parameter num_ctx para uma sessão ou envie num_ctx nas opções do pedido à API. O consumo de memória aumenta com esse valor, por isso aumente-o gradualmente e verifique ollama ps de cada vez.

Devo fixar a tag ou usar simplesmente latest?

Fixe a tag. muse-glimmer sem uma tag resolve para latest. Este valor é um ponteiro que o editor pode mover para outra compilação a qualquer momento, por isso um pull normal pode alterar o modelo executado pelo agente. Escreva muse-glimmer:30b nos scripts, nos ficheiros de unidade e na configuração do agente. Consulte a lista de tags na página do modelo antes de fixar uma, porque as tags publicadas podem mudar.

Este artigo foi útil?